Rancang Bangun Website Jejaring Sosial Penyedia Informasi Film Dengan Fitur Rekomendasi Pertemanan Menggunakan Algoritma Generalized Sequential Pattern dan RuleGen Reza Arif Rachman Adi Suryaputra P Universitas Ciputra Universitas Ciputra UC Town, Citraland UC Town, Citraland Surabaya 60219 Surabaya 60219
[email protected] [email protected] ABSTRAK Hiburan telah menjadi kebutuhan yang cukup penting bagi masyarakat, salah satunya adalah menonton film. Pemilihan film bisa saja berdasarkan rating, seperti yang terpasang pada situs informasi film. Namun, berdasarkan survey oleh penulis, 75% responden menyatakan tidak setuju terhadap rating yang terpasang pada website penyedia informasi film. Ada cara yang cukup efektif memilih film yaitu dengan menanyakan langsung ke sesama penggemar film lain yang berselera sama. Namun seiring berjalannya waktu para penggemar film kesulitan untuk menemukan penggemar yang satu tipe dengan mereka. Pada penelitian ini penulis mengusulkan solusi melalui fitur who to follow pada website jejaring sosial movie booster, yang menggunakan algoritma Generalized Sequential Pattern dan RuleGen untuk menemukan pola – pola sekuensial yang sering muncul dalam suatu transaksi. Outputnya adalah rekomendasi sesama pengguna yang memiliki selera film yang sama. Hasil pengujian membuktikan bahwa fitur rekomendasi sesama penggemar menggunakan algoritma Generalized Sequential Pattern dan RuleGen pada movie booster memiliki akurasi 100%. Kata Kunci: Jejaring sosial, Film, Sistem Rekomendasi, Generalized Sequential Pattern, RuleGen. 1. PENDAHULUAN Cara mudah mencari film bagus Hiburan telah menjadi kebutuhan
atau favorit bisa dengan melihat rating
yang cukup penting bagi masyarakat,
yang terpasang pada situs informasi film.
salah satunya adalah menonton film.
Namun dari hasil survey penulis, 75%
Menurut hasil survey yang dilakukan
responden
terhadap mahasiswa Universitas Ciputra,
terhadap rating yang terpasang pada
rata-rata mereka menonton film empat kali
website penyedia informasi film.
dalam
seminggu.
Kendalanya
adalah
menyatakan
tidak
setuju
Cara lain yang cukup efektif adalah
mencari film yang sesuai dengan selera
para
penggemar
film
menanyakan
mereka.
langsung ke penggemar lain yang setipe,
68 | TIM
atau memiliki kesamaan selera, tentang
2. LANDASAN TEORI
film yang bagus menurut mereka. Namun,
2.1. Jejaring Sosial
menemukan penggemar film lain dengan selera sama merupakan kesulitan lain.
Website jejaring sosial merupakan sebuah layanan aplikasi website yang
Dewasa ini, pertukaran informasi
memungkinkan
pengguna
untuk
(1)
personal sudah umum dilakukan melalui
membuat informasi data diri yang dapat
media jejaring sosial, termasuk informasi
dipublikasikan
selera film.
memilah daftar pengguna lain, dengan
Berdasar
pemikiran
di
atas,
(3)
fitur
pengguna
pertemanan
pada
semi-publik,
(2)
siapa pengguna akan berbagi sesuatu hal,
penelitian ini berfokus untuk membuat rekomendasi
atau
dapat
melihat dengan
status
hubungan
pengguna
lainnya.
jejaring sosial penyedia informasi film
Sifat atau tatanan nama hubungan ini
dengan cakupan:
dapat berbeda – beda di setiap website.
1) Rekomendasi disusun menggunakan
2.2. Sistem Rekomendasi
algoritma
Generalized
Sequential
Sistem rekomendasi adalah suatu
Pattern untuk menemukan pengguna
teknik yang membantu pengguna untuk
lain dengan kesamaan film, dan
memilih atau mencari suatu barang yang
RuleGen untuk menentukan tingkat
tepat dan diinginkan. Sistem rekomendasi
keyakinan (confidence level) antar
sangat
pengguna.
kurang pengetahuan tentang barang yang
2) Fitur pemberi rekomendasi dipasang
dibutuhkan
bersangkutan
ketika
pengguna
atau jenis barang yang
pada website media jejaring sosial
dibandingkan terlalu banyak.
movie booster, buatan penulis sendiri.
2.3. Algoritma Generalized Sequential
3) Data uji coba dilakukan dengan
Pattern (GSP)
quota sampling terhadap mahasiswa
Menurut Rahmakrishnan Srikant
Universitas Ciputra dengan jumlah
(1996),
responden 20
Sequential
orang,
yang
terdiri
algoritma Pattern,
GSP,
merupakan
dari 9 orang mahasiswa IBM, 3
sebuah
orang mahasiswa VCD, 3 orang
menemukan pola berurutan yang sering
THM, 2 orang IND, 2 orang IFT, 1
muncul. Algoritma GSP akan mencari
orang PSY.
pola
–
algoritma
Generalized
pola
yang
berurutan
yang
dapat
saling
69 | TIM
berhubungan
berdasarkan
minimum
kemunculan data. Gambar 1 merupakan
2.5. Rotten Tomatoes Application Program Interface (API)
pseudocode dari algoritma GSP.
Application
Program
(API) adalah antarmuka L1 := {pola berurutan yang sering muncul 1-item}; k := 2; // k mewakili pass number while (Lk-1 ≠ ø) do begin Ck := kandidat baru dari proses ke-k, dihasilkan dari Lk-1 Forall pola – pola berurutan S ∈ D do begin Naikan jumlah dari semua kandidat di Ck yang termasuk dalam S end Lk := Semua kandidat yang ada di Ck dengan minimum jumlah kemunculan k := k + 1; end
digunakan
untuk
Dengan
kata
mengakses
lain,
program
suatu
API
merupakan
antar-muka
yang
menjembatani beberapa perangkat lunak. API
RottenTomatoes
adalah
sebuah layanan website yang digunakan untuk
memperoleh
berbagai
film.
informasi
URL
dari
dasar
yang
digunakan untuk mengakses semua data
2.4. Algoritma RuleGen RuleGen
standar yang
fitur pada aplikasi web melalui software.
Gambar 1. Algoritma GSP (Srikant 1996)
Algoritma
Interface
merupakan
adalah
algoritma yang dapat menemukan aturan
http://api.rottentomatoes.com/api/public/v
dari pola sekuensial. Algoritma RuleGen
1.0. Agar dapat mengakses API ini
dijalankan
dibutuhkan
ketika
pola
sekuensial
sebuah
ditemukan. Keluaran dari algoritma ini
RottenTomatoes
adalah
gratis.
tingkat keyakinan (confidence
APIKey
yang
Beberapa
dari
didapat
manfaat
secara
dari
API
level) antar pola sekuensial. Algoritma
rottentomatoes adalah:
membutuhkan
1) Mendapatkan informasi lengkap film
masukan
parameter Proses
tertentu.
algoritma RuleGen, dapat dilihat pada
2) Mencari
minimum
tingkat
keyakinan.
Gambar 2.
yang
diinginkan
pengguna.
RuleGen(F, min_conƒ);
3) Mendapatkan daftar film dari box
for semua kumpulan urutan yang sering muncul β
∈F do
film
for semua kumpulan berurutan α
≺
do conƒ = ƒ r (β) / ƒ r (α) ; if (conƒ ≥ min_conƒ) then keluaran aturanya α
⇒ β, and conƒ
Gambar 2: Algoritma RuleGen (Zaki, 1997)
β
office
movie,
new
release,
dan
upcoming movies. 3. PERANCANGAN SISTEM 3.1. Fitur Website Movie Booster Fitur utama dari movie booster adalah:
70 | TIM
1) List Movie, untuk melihat daftar film yang ada di database aplikasi. 2) Following, untuk mengikuti informasi aktivitas pengguna lain. 3) Mob, untuk memberi tahu teman perihal review film yang baru saja ditontonnya. 4) Top Movie, untuk menyusun daftar film
yang
dianggap
bagus
oleh
pengguna. 5) Who
To
Follow,
merekomendasikan
untuk
pengguna
lain
yang layak untuk diikuti (di-follow) Gambar 3. Flowchart fitur who to follow
berdasarkan kegemaran film. 6) Search
Movie,
untuk
mencari 4.2. Skenario Pengujian
informasi film berdasarkan judul. 7) Diskusi Film, untuk bertukar opini
Dari setiap responden akan diambil
antar pengguna perihal seputar film.
keterangan tentang beberapa film bagus
3.2. Desain Flowchart untuk Fitur Who
menurut responden dan telah mereka
to Follow
tonton. Setelah itu, 10 responden akan
Alur kerja fitur utama Who-to-
dijadikan subyek percobaan, tiap – tiap
3.
responden akan ditanyai, dari seluruh
Algoritma GSP beraksi pertama untuk
pengguna, mana yang menurut pengguna
menemukan pola, kemudian dilanjutkan
pantas untuk diikuti. Kemudian data yang
oleh RuleGen untuk menyusun kandidat
didapat
rekomendasi.
menggunakan
follow
ditunjukkan
oleh
Gambar
4. PENERAPAN DAN PENGUJIAN
dibandingkan aplikasi
website
dengan movie
booster, apakah data yang telah didapat sama dengan hasil rekomendasi pilihan
4.1. Tujuan Pengujian mengukur
akan
Pengujian
akan
tingkat
keyakinan
dari fitur who to follow,
berdasarkan data dari 20 responden.
dari pengguna secara manual. 4.3. Hasil Pengujian Hasil dari pengujian ditunjukkan
71 | TIM
oleh
Tabel
1.
Pengujian
dilakukan
dapat dianggap sebagai hasil final, karena
menggunakan aplikasi Movie Booster
kurangnya sampel data.
dengan minimum kemunculan film 3,
5. KESIMPULAN DAN SARAN
setelah dibandingkan dengan pengisian
5.1. Kesimpulan
manual oleh responden.
Penelitian
Tabel 1. Hasil pengujian fitur who to follow dengan minimum kemunculan 3. Pengguna A Mario Ramzi
Recomendasi Pengguna Albertus, Christian, Salmin
Albertus
Ramzi, Leo, Anthony emil Renard Anthony, emil, albertus Ramzi albertus, leo -
Theo Alvel Leo Christian Ninik Anthony Edo
40%, 33%, 22%
Pilihan responden Edo Albertus
46%, 23%, 23%
Leo
70% 50% 37%, 37%, 37%
Emil Renard Emil
50% 30%, 30% -
Ramzi Mellisa Albertus Berlin
Confidence
mengimplementasi pertemanan
Dari hasil pengujian, Tabel 1, tingkat kesamaan antara data yang dipilih
berhasil
fitur
rekomendasi
dengan
algoritma
menggunakan
Genereralized
Sequential
Pattern dan RuleGen pada jejaring sosial penyedia informasi film dengan tingkat kegunaan 100% terhadap 20 responden. 5.2. Saran Saran
pengembangan
untuk
penelitian dan hasilnya sebagai berikut: 1) Menggunakan algoritma lain yang dapat
4.4. Analisa Pengujian
ini
mengolah
data
sekuensial,
seperti: prefix span. 2) Menambah
parameter
dalam
oleh responden secara manual dengan data
pencarian, misalnya daftar film yang
yang diuji menggunakan fitur who to
akan ditonton oleh pengguna.
follow
mencapai
100
%.
Hal
ini
3) Perlu ada perhatian khusus terhadap
membuktikan bahwa tingkat kegunaan
memory
management
dari fitur who to follow adalah 100 % dari
mencegah
20 responden. Namun hasil ini belum
aplikasi karena memory leak.
terjadinya
crash
untuk pada
6. DAFTAR PUSTAKA Rotten Tomatoes API - API Overview. 2012. Rotten Tomatoes API - API Overview. [Online] Tersedia di: http://developer.rottentomatoes.com/docs. [Diakses tanggal 02 April 2012]. Srikant, Ramakrishnan, Agrawal, Rakesh. 1996. Mining sequential patterns: Generalizations and performance improvements. San Jose.
72 | TIM
